CN114820730B - 一种基于伪ct的ct与cbct配准方法 - Google Patents
一种基于伪ct的ct与cbct配准方法 Download PDFInfo
- Publication number
- CN114820730B CN114820730B CN202210219986.6A CN202210219986A CN114820730B CN 114820730 B CN114820730 B CN 114820730B CN 202210219986 A CN202210219986 A CN 202210219986A CN 114820730 B CN114820730 B CN 114820730B
- Authority
- CN
- China
- Prior art keywords
- pseudo
- cbct
- image
- registration
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 5
- 238000011524 similarity measure Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011404 fractionated radiotherapy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像技术领域,且公开了一种基于伪CT的CT与CBCT配准方法,包括以下步骤:步骤1:解析CT和CBCT图像,将图像的像素矩阵值转换成HU值;步骤2:使用皮肤掩膜提取算法,去除身体轮廓之外的冗余信息;步骤3:将CT与CBCT进行刚性配准;步骤4:将步骤1至步骤3处理后的刚性对齐后的CBCT与CT图像对输入到伪CT生成网络中训练。该基于伪CT的CT与CBCT配准方法,将CBCT和CT配准的多模态问题转化为CT和伪CT的单模态配准问题,从而可以快速、准确地完成CT和CBCT图像的配准。
Description
技术领域
本发明涉及医学图像技术领域,具体为一种基于伪CT的CT与CBCT配准方法。
背景技术
图像配准是寻找将一幅图像(浮动图像)映射到另一幅图像(参考图像)的空间变换的任务,进行变换后的图像能够与参考图像达到匹配。医学图像,特别是不同时间拍摄的医学图像,很难满足浮动图像和参考图像的点一一对应,因此医学图像的配准问题是医学图像分析中的重点和难点问题。
CBCT图像能够实现快速成像,具有体积小、成本低、对患者的辐射剂量低等特点,因此被广泛用于图像引导放疗,一般用于分次放疗过程中的摆位校正和图像参考,需要将计划CT图像和分次放疗的CBCT图像进行配准。但是CBCT图像相比于CT图像存在更多的伪影,包括散射光子造成的散射伪影和更多的空腔伪影,这些伪影增加了CT图像和CBCT图像配准的难度,使用单模态的相似性测度无法对CBCT和CT图像进行配准,需要使用互信息等多模态相似性测度。
近年来,深度学习方法已被广泛用于医学图像模态转换以生成伪CT,其中循环一致性对抗网络(CycleGAN)是最常用得到图像转换方法之一,因为它并不需要训练数据的配对信息。针对CBCT和CT配准的多模态问题转化为CT和伪CT的单模态配准问题,我们提出了一种基于伪CT的CT与CBCT配准方法。
发明内容
针对现有技术存在的上述不足,本发明提供了一种基于伪CT的CT与CBCT配准方法,本发明先通过伪CT生成网络将CBCT图像转化为与CT图像质量相差无几的伪CT图像,能够巧妙地将CBCT和CT配准的多模态问题转化为CT和伪CT的单模态配准问题,可以使用单模态的相似性测度作为优化目标和损失函数,从而可以快速、准确地计算出CT图像和CBCT图像的变形场,完成CT图像向CBCT图像的配准。
本发明提供如下技术方案:一种基于伪CT的CT与CBCT配准方法,包括以下步骤:
步骤1:解析CT和CBCT图像,将图像的像素矩阵值转换成HU值;
步骤2:使用皮肤掩膜提取算法,去除身体轮廓之外的冗余信息;
步骤3:将CT与CBCT进行刚性配准;
步骤4:将步骤1至步骤3处理后的刚性对齐后的CBCT与CT图像对输入到伪CT生成网络中训练;
步骤5:将CBCT图像输入步骤4中训练好的伪CT生成网络,得到对应的伪CT图像;
步骤6:将CT图像与步骤5生成的伪CT图像进行单模态弹性配准,得到配准的变形场;
步骤7:将步骤6得到的变形场作用于待配准的步骤3中刚性变换后的CT图像,得到CT向CBCT配准后的图像。
优选的,在步骤2中的皮肤掩膜提取算法,通过深度学习自动勾画轮廓与常见的阈值、膨胀、腐蚀图像处理算法,实现皮肤掩膜的准确提取,皮肤掩膜之外的部分赋值为空气的HU值,去除身体轮廓之外的冗余信息。
优选的,在步骤3中的刚性配准,使用互信息作为相似性测度进行优化,最后得到刚性变换的6个参数,包括x、y和z轴的位移和旋转角度。
优选的,CT图像经过在刚性配准之后,输入到伪CT生成网络训练之前需要统一CBCT和CT图像的分辨率,然后裁剪出固定的尺寸输入模型。
优选的,在伪CT生成网络的训练中,要先对CT和CBCT图像进行图像预处理,为了与神经网络的激活函数保持一致,使用Tanh函数对CT和CBCT图像进行一一映射,Tanh的计算方式如下:
优选的,步骤4中的伪CT生成网络使用改进的CycleGAN网络,采用的总目标函数由对抗损失项(Adversarial Loss,L_adv)、循环一致性损失项(Cycle-consistency Loss,L_cycle)和相似性约束损失项(Similarity-constraint Loss,L_sc)三部分组成,具体如下:
优选的,步骤6和步骤7中弹性配准的模型包括以下步骤:首先对CT和伪CT进行阈值截断,并线性映射到(-1,1),输入模型;然后模型能够输出与输入图像等尺寸的三维变形场,包含x、y和z轴的偏移量;最后将输出的变形场对刚性对齐之后的CT图像进行变形,得到变形后的CT图像。
优选的,将配准后的CT图像进行反裁剪和图像后处理,最后输出DICOM数据并保存。
与现有技术对比,本发明具备以下有益效果:
该基于伪CT的CT与CBCT配准方法,将CBCT和CT配准的多模态问题转化为CT和伪CT的单模态配准问题,从而可以快速、准确地完成CT和CBCT图像的配准。
附图说明
图1为本发明实施例中建立的实现流程图;
图2a是本发明实施例的CycleGAN网络示意图;
图2b是本发明实施例的CycleGAN网络中的生成网络示意图;
图3a是本发明实施例的多尺度配准网络流程图;
图3b是本发明实施例的配准网络CNN结构图。
具体实施方式
为了使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述,为了保持本公开实施例的以下说明清楚且简明,本公开省略了已知功能和已知部件的详细说明,以避免不必要地混淆本发明的概念。
本发明专利的流程图如图1所示:第一步利用刚性对齐后的CT图像和CBCT图像对,对伪CT生成网络进行训练,得到伪CT生成模型;第二步使用伪CT生成模型将CBCT图像生成相应的伪CT图像;第三步使用对应的CT图像和伪CT图像对配准模型进行训练,得到CT图像和伪CT图像的配准模型;第四步将测试集中的伪CT和CT图像输入训练完成的配准模型,输出CT图像向伪CT配准的变形场;第五步将生成的变形场作用于CT图像,最后得到CT图像向CBCT图像配准的图像,最后经过反裁剪和图像后处理,输出DICOM数据并保存。
具体实现步骤如下:
数据加载及预处理
获取宫颈癌患者病例115例,共包含190对CT和CBCT三维数据,其中150对数据用于整个模型的训练,剩下的用于测试。所有原始CT的分辨率都是512×512。通过解析CT的DICOM属性,得到斜面(Slope)及截面(Intercept)属性,通过以下公式得到HU值:HU=CT*Slope+Intercept。
数据预处理部分包括掩膜提取、重采样和裁剪。掩膜提取算法使用的基于神经网络的皮肤预测模型,并结合常用的阈值处理、膨胀、腐蚀等图像处理算法,实现皮肤掩膜的准确提取,皮肤掩膜之外的部分赋值为空气的HU值,去除身体轮廓之外的冗余信息。重采样的目的在于将CBCT和CT图像统一分辨率,可以避免机器参数不一致造成的图像差异较大,这一步依赖解析CT图像得到像素间隙属性(PixelSpacing),通过双线性插值法将像素间隙归一。裁剪操作是为了满足网络要求输入固定,这一步是通过找出皮肤轮廓,然后得到人体中心,基于此中心分别在X和Y轴正负方向上外扩200个网格,得到分辨率为400×400的处理后CT和CBCT图像。
伪CT生成网络模型的建立和训练
伪CT模型训练使用的是改进的CycleGAN网络,其中主要针对的是生成器的改进,CycleGAN的网络示意图和生成器的网络示意图如图2a和2b所示。首先对数据进行了进一步的处理,使用以下公式对CT和CBCT图像进行一一映射,
得到归一化到(-1,1)的CT与CBCT图像对,输入CycleGAN模型进行训练,训练数据共计5876对数据,使用Adam优化器进行模型的优化。训练完成后,使用CBCT向CT转化的伪CT生成网络生成伪CT,然后使用Tanh的反函数将分布在(-1,1)之间的伪CT图像进行逆映射,得到和CT具有相同HU分布的伪CT图像。
配准网络模型的建立和训练
配准网络模型使用的是多尺度的级联网络配准模型,网络流程图如图3a所示,具体使用的模型结构示意图如图3b所示。首先针对配准进行数据的进一步处理,使用阈值截断(-250,200),其中大于200的赋值为200,小于-250的赋值为-250,然后线性映射到(-1,1),然后CT和伪CT图像输入网络,图3b最后输出的3通道分别表示x、y、z轴的偏移量。模型训练中的损失函数包括均方误差MSE和变形场的平滑损失,模型预测的时候输入配对的CT和伪CT数据,输出等尺寸的三通道偏移场,然后作用于CT得到配准后的CT图像。
结果
本发明采用Dice相似度作为评价配准结果的标准,其定义为
其中以医生在CBCT上手动勾画的轮廓作为“金标准”,勾画的器官包括膀胱、脊髓、左股骨头、右股骨头和骨髓。将计划CT上勾画的轮廓信息通过模型得到的形变场近邻插值得到配准后的轮廓,测试病例为40个,本发明中基于伪CT和CT的配准精度相对于基于CBCT和CT的配准有提高,特别是膀胱更为明显。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (5)
1.一种基于伪CT的CT与CBCT配准方法,其特征在于,包括以下步骤:
步骤1:解析CT和CBCT图像,将图像的像素矩阵值转换成HU值;
步骤2:使用皮肤掩膜提取算法,去除身体轮廓之外的冗余信息;
步骤3:将CT与CBCT进行刚性配准;
步骤4:将步骤1至步骤3处理后的刚性对齐后的CBCT与CT图像对输入到伪CT生成网络中训练;
步骤5:将CBCT图像输入步骤4中训练好的伪CT生成网络,得到对应的伪CT图像;
步骤6:将CT图像与步骤5生成的伪CT图像进行单模态弹性配准,得到配准的变形场;
步骤7:将步骤6得到的变形场作用于待配准的步骤3中刚性变换后的CT图像,得到CT向CBCT配准后的图像;
在伪CT生成网络的训练中,要先对CT和CBCT图像进行图像预处理,为了与神经网络的激活函数保持一致,使用Tanh函数对CT和CBCT图像进行一一映射,Tanh的计算方式如下:
步骤4中的伪CT生成网络使用改进的CycleGAN网络,采用的总目标函数由对抗损失项AdversarialLoss,L_adv、循环一致性损失项Cycle-consistency Loss,L_cycle和相似性约束损失项Similarity-constraint Loss,L_sc三部分组成,具体如下:
步骤6和步骤7中弹性配准的模型包括以下步骤:首先对CT和伪CT进行阈值截断,并线性映射到(-1,1),输入模型;然后模型能够输出与输入图像等尺寸的三维变形场,包含x、y和z轴的偏移量;最后将输出的变形场对刚性对齐之后的CT图像进行变形,得到变形后的CT图像。
2.根据权利要求1所述的一种基于伪CT的CT与CBCT配准方法,其特征在于,在步骤2中的皮肤掩膜提取算法,通过深度学习自动勾画轮廓与常见的阈值、膨胀、腐蚀图像处理算法,实现皮肤掩膜的准确提取,皮肤掩膜之外的部分赋值为空气的HU值,去除身体轮廓之外的冗余信息。
3.根据权利要求1所述的一种基于伪CT的CT与CBCT配准方法,其特征在于,在步骤3中的刚性配准,使用互信息作为相似性测度进行优化,最后得到刚性变换的6个参数,包括x、y和z轴的位移和旋转角度。
4.根据权利要求1所述的一种基于伪CT的CT与CBCT配准方法,其特征在于,CT图像经过在刚性配准之后,输入到伪CT生成网络训练之前需要统一CBCT和CT图像的分辨率,然后裁剪出固定的尺寸输入模型。
5.根据权利要求1所述的一种基于伪CT的CT与CBCT配准方法,其特征在于,将配准后的CT图像进行反裁剪和图像后处理,最后输出DICOM数据并保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219986.6A CN114820730B (zh) | 2022-03-08 | 2022-03-08 | 一种基于伪ct的ct与cbct配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219986.6A CN114820730B (zh) | 2022-03-08 | 2022-03-08 | 一种基于伪ct的ct与cbct配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820730A CN114820730A (zh) | 2022-07-29 |
CN114820730B true CN114820730B (zh) | 2023-04-07 |
Family
ID=82528772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210219986.6A Active CN114820730B (zh) | 2022-03-08 | 2022-03-08 | 一种基于伪ct的ct与cbct配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820730B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111684492A (zh) * | 2017-06-26 | 2020-09-18 | 医科达有限公司 | 使用深度卷积神经网络来改善锥形束ct图像质量的方法 |
WO2021038002A1 (en) * | 2019-08-30 | 2021-03-04 | Elekta Limited | Pseudo-ct image generation |
CN113706409A (zh) * | 2021-08-18 | 2021-11-26 | 苏州雷泰医疗科技有限公司 | 基于人工智能的cbct图像增强方法、装置和存储介质 |
CN114072845A (zh) * | 2019-06-06 | 2022-02-18 | 医科达有限公司 | 使用具有可变形层的CycleGAN的SCT图像生成 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902621B2 (en) * | 2018-03-25 | 2021-01-26 | Varian Medical Systems International Ag | Deformable image registration based on masked computed tomography (CT) image |
US11501438B2 (en) * | 2018-04-26 | 2022-11-15 | Elekta, Inc. | Cone-beam CT image enhancement using generative adversarial networks |
CN110533641A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗系统股份有限公司 | 一种多模态医学图像配准方法和装置 |
CN110464353A (zh) * | 2019-08-21 | 2019-11-19 | 南方医科大学 | 一种基于深度卷积神经网络的伪ct合成方法及应用 |
CN112446840B (zh) * | 2020-12-07 | 2024-01-19 | 明峰医疗系统股份有限公司 | 一种基于深度学习的ct图像黑带伪影消除方法及系统 |
CN113344876B (zh) * | 2021-06-08 | 2023-05-12 | 安徽大学 | 一种ct和cbct间可变形配准方法 |
CN113487657B (zh) * | 2021-07-29 | 2022-02-01 | 广州柏视医疗科技有限公司 | 一种基于深度学习的模态转换方法 |
-
2022
- 2022-03-08 CN CN202210219986.6A patent/CN114820730B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111684492A (zh) * | 2017-06-26 | 2020-09-18 | 医科达有限公司 | 使用深度卷积神经网络来改善锥形束ct图像质量的方法 |
CN114072845A (zh) * | 2019-06-06 | 2022-02-18 | 医科达有限公司 | 使用具有可变形层的CycleGAN的SCT图像生成 |
WO2021038002A1 (en) * | 2019-08-30 | 2021-03-04 | Elekta Limited | Pseudo-ct image generation |
CN113706409A (zh) * | 2021-08-18 | 2021-11-26 | 苏州雷泰医疗科技有限公司 | 基于人工智能的cbct图像增强方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114820730A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021078064A1 (zh) | 超声扫查轨迹规划方法、装置、存储介质及计算机设备 | |
CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
US20240119611A1 (en) | Image registration method and model training method thereof | |
CN104268849A (zh) | 图像核对装置以及患者定位装置 | |
CN112614169B (zh) | 基于深度学习网络的2d/3d脊椎ct层级配准方法 | |
CN106462974B (zh) | 用于分割图像的参数优化 | |
CN112598649B (zh) | 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法 | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
CN115619773B (zh) | 一种三维牙齿多模态数据配准方法及系统 | |
CN113421226B (zh) | 基于互信息的ct-dr多模态食管图像配准方法及系统 | |
CN114792326A (zh) | 一种基于结构光的手术导航点云分割与配准方法 | |
CN115578320A (zh) | 一种骨科手术机器人全自动空间注册方法及系统 | |
CN114820730B (zh) | 一种基于伪ct的ct与cbct配准方法 | |
CN111179373B (zh) | 医学图像去骨模型构建方法与骨信息去除方法 | |
CN117350143A (zh) | 一种心脏房室瓣置换术后力学环境的评估方法 | |
CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 | |
KR102476888B1 (ko) | 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법 | |
CN116309806A (zh) | 一种基于CSAI-Grid RCNN的甲状腺超声图像感兴趣区域定位方法 | |
CN116616893A (zh) | 一种骨盆植入物通道的自动定位方法 | |
JP7378694B2 (ja) | デジタルヒューマン技術に基づく肺葉分割方法 | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
CN112085698A (zh) | 左右乳腺超声图像自动分析方法及装置 | |
JP7277131B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US20220076069A1 (en) | Data augmentation | |
CN112330603A (zh) | 基于软组织表面形变估计组织内部目标运动的系统与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |